Utiliser GPT-6

Introduction

GPT-5.5 améliore les performances de base des workflows complexes en production. Il convient particulièrement aux tâches de programmation, aux agents qui utilisent de nombreux outils, aux assistants qui fondent leurs réponses sur des sources, à la recherche d’informations dans de longs contextes et à l’élaboration de plans à partir de spécifications produit. Il convient aussi aux workflows destinés aux clients, où la qualité d’exécution et le soin apporté aux réponses sont essentiels.

Pour tirer le meilleur parti de GPT-5.5, adaptez vos réglages à cette nouvelle famille de modèles. Le simple remplacement de gpt-5.2 ou de gpt-5.4 ne suffit pas. Commencez la migration sur de nouvelles bases, sans reprendre systématiquement toutes les instructions de vos anciens prompts. Partez du prompt le plus court qui respecte les engagements du produit, puis ajustez l’effort de raisonnement, le niveau de détail, les descriptions des outils et le format de sortie à partir d’exemples représentatifs.

GPT-5.5 prend en charge toutes les fonctionnalités de l’API déjà disponibles avec GPT-5.4, notamment la mise en cache des prompts, les outils hébergés, la recherche d’outils, le compactage et la gestion de phase lorsque vous retransmettez manuellement des éléments de l’assistant.

Consultez les bonnes pratiques de rédaction des prompts pour découvrir des exemples de prompts efficaces.

Nouveautés

• Raisonnement plus efficace : GPT-5.5 obtient de bons résultats avec moins de tokens de raisonnement que les modèles précédents, même à effort de raisonnement égal. Ce gain est particulièrement intéressant dans les workflows complexes, ceux qui sollicitent de nombreux outils ou ceux qui comportent plusieurs étapes, car les économies de tokens s’additionnent.
• Meilleure exécution des tâches avec des prompts centrés sur le résultat : GPT-5.5 sait mieux partir d’un objectif clair, respecter les contraintes et traduire l’intention produit en actions concrètes. Décrivez le résultat attendu, les critères de réussite, les effets de bord autorisés, les règles relatives aux éléments de preuve et la forme de la réponse. Évitez de dicter la marche à suivre étape par étape, sauf si le cheminement précis a son importance.
• Utilisation des outils plus efficace et plus précise : GPT-5.5 est particulièrement utile lorsqu’il dispose d’un vaste choix d’outils, dans les workflows de service en plusieurs étapes et pour les tâches de longue durée confiées à des agents. Il tend à sélectionner les outils et à renseigner leurs arguments avec plus de précision.
• Ton souvent plus soigné, parfois plus direct : GPT-5.5 produit souvent des réponses plus chaleureuses et plus faciles à lire avec moins d’instructions dans le prompt.

Changements de comportement

1. L’effort de raisonnement est désormais réglé sur medium par défaut : GPT-5.5 utilise par défaut le niveau de raisonnement medium. Le réglage medium est le point de départ recommandé pour concilier qualité, fiabilité, latence et coût. Pour les workflows sensibles à la latence, évaluez low avant none si l’utilisation d’outils, la planification, la recherche ou la prise de décision en plusieurs étapes restent importantes. Réservez none aux tâches où la latence est critique et qui n’exigent ni raisonnement ni enchaînement d’appels d’outils, comme les échanges vocaux simples, la recherche rapide d’informations et la classification. Ne passez à high ou xhigh que si vos évaluations montrent un gain de qualité mesurable qui justifie le surcroît de latence et de coût. Consultez la documentation sur les modèles de raisonnement pour en savoir plus sur les réglages recommandés.

   Augmenter l’effort de raisonnement n’améliore pas systématiquement les résultats. Si les instructions se contredisent, si les critères d’arrêt sont imprécis ou si l’accès aux outils est sans limites, un effort accru peut conduire le modèle à trop analyser, à multiplier les recherches inutiles ou à produire des réponses de moindre qualité. N’augmentez l’effort que si vos évaluations montrent un gain de qualité mesurable.

2. Les images fournies en entrée conservent davantage de détails par défaut : GPT-5.5 modifie le traitement par défaut des images en entrée pour préserver davantage de détails visuels et améliorer les performances lors de l’utilisation de l’ordinateur. Lorsque image_detail est omis ou réglé sur auto, le modèle applique désormais le comportement original. Il conserve les images sans les redimensionner dans la limite de 10 240 000 pixels au total et de 6 000 pixels par dimension. Pour utiliser high, indiquez cette valeur explicitement. Les images sont alors conservées sans redimensionnement dans la limite de 2 500 000 pixels au total et de 2 048 pixels par dimension. Le réglage low vise désormais à économiser le contexte et réduit davantage que les modèles précédents la taille des images dont une dimension dépasse 512 pixels. Consultez la documentation sur les images et la vision.

3. Meilleur respect des instructions : GPT-5.5 interprète les prompts à la lettre et tient compte de tous leurs détails. Vous pouvez donc formuler des instructions précises et descriptives lorsque le produit l’exige. Définissez des critères de réussite et des règles d’arrêt, en particulier pour les workflows de longue durée, ceux qui sollicitent de nombreux outils ou ceux qui rassemblent des éléments de preuve. Consultez les sections Rédiger des prompts centrés sur le résultat et Choisir le bon niveau de précision.

4. Style par défaut plus concis et plus direct : GPT-5.5 tend à aller droit au but et à se concentrer sur la tâche. Ce style convient à de nombreux workflows en production. Pour les produits conversationnels ou destinés aux clients, vous devrez parfois préciser la personnalité de l’assistant, la chaleur du ton, les explications à fournir et la mise en forme. Choisissez text.verbosity selon vos besoins : medium est la valeur par défaut et low est souvent un meilleur point de départ pour des réponses concises. Consultez les bonnes pratiques de rédaction des prompts.

5. Les workflows de programmation demandent une orchestration plus précise : GPT-5.5 se prête mieux aux tâches de programmation complexes qui nécessitent de planifier, d’utiliser des outils, d’explorer le code source, de vérifier les résultats et de procéder en plusieurs étapes. Pour les agents de programmation, précisez ce qu’ils doivent réutiliser, ce qu’ils peuvent déléguer à des sous-agents, les tests attendus, les critères d’acceptation et les situations où ils doivent poursuivre seuls ou demander de l’aide.

Guide de migration rapide

Migration automatisée avec Codex

Codex peut appliquer les modifications recommandées dans ce guide à l’aide du skill OpenAI Docs.

$openai-docs Migrez ce projet vers gpt-5.5

Pour utiliser ce skill avec d’autres agents de programmation, téléchargez-le depuis le dépôt de skills OpenAI.

Paramètres de l’API et du modèle

• Remplacez le slug du modèle par gpt-5.5.
• Utilisez l’API Responses pour tous les cas d’usage qui font appel au raisonnement, aux outils ou à des échanges en plusieurs tours.
• Ajustez reasoning.effort. Choisissez low pour un raisonnement efficace, medium pour un bon compromis entre latence et performances, high pour les tâches d’agent complexes qui exigent un raisonnement poussé et tolèrent une latence plus élevée, et xhigh pour les tâches d’agent asynchrones les plus difficiles ou les évaluations qui testent les limites des capacités du modèle. Consultez la documentation sur les modèles de raisonnement.
• Pour obtenir des réponses plus concises, réglez text.verbosity sur low. Avec GPT-5.5, ce réglage raccourcit proportionnellement davantage les réponses que le niveau de détail low avec GPT-5.4.
• Pour les workflows qui sollicitent de nombreux outils ou durent longtemps, vérifiez que votre application gère correctement phase, les préambules et la retransmission des éléments de l’assistant.
• Comparez le modèle à d’autres modèles en mesurant l’exactitude des réponses, la consommation de tokens et la latence de bout en bout.

Rédaction des prompts

• Indiquez le résultat attendu et les critères de réussite.
• Allégez ou supprimez les consignes qui détaillent chaque étape. Laissez GPT-5.5 choisir la marche à suivre, sauf si le produit en impose une.
• Dans la mesure du possible, retirez du prompt les définitions du schéma de sortie. Utilisez les sorties structurées.
• Optimisez la mise en cache de votre prompt : placez les parties statiques au début et les parties dynamiques à la fin.
• Retirez la date du jour. Le modèle connaît déjà la date actuelle en UTC.
• Revoyez et optimisez vos prompts à l’aide des bonnes pratiques de rédaction des prompts.

Utilisation des modèles de raisonnement

Ces conseils s’appliquent aux modèles de la série GPT-5. Il est utile de les revoir chaque fois que vous migrez des workloads vers des modèles de raisonnement. GPT-5.5 reprend de nombreuses fonctionnalités introduites avec des modèles antérieurs. Prenez le temps de les examiner si vous utilisez actuellement un modèle GPT-5 antérieur, GPT-4.1 ou un modèle de raisonnement comme o3.

Certaines de ces fonctionnalités passent facilement inaperçues, car elles relèvent en partie de la configuration de l’API et de l’orchestration. En combinant l’API Responses, les paramètres de raisonnement et de niveau de détail, les sorties structurées, la mise en cache des prompts, la conception des outils, les outils hébergés et la gestion de l’état, vous pouvez tirer le meilleur parti des capacités des modèles de raisonnement tout en optimisant la fiabilité, la latence et les coûts.

• API Responses : GPT-5.5 donne ses meilleurs résultats avec l’API Responses. Utilisez previous_response_id pour gérer l’état d’un tour à l’autre. Pour les workflows sans état ou soumis à une politique de non-conservation des données, retransmettez à chaque tour les éléments de sortie pertinents que l’API a renvoyés. Consultez la section Transmettre le contexte de la réponse précédente pour en savoir plus.
• Effort de raisonnement : utilisez reasoning.effort pour choisir entre low, medium, high et xhigh. La valeur par défaut est medium, mais low convient à de nombreux workloads. Réservez none aux cas où une faible latence prime sur les capacités de raisonnement. Consultez le guide des modèles de raisonnement pour des recommandations détaillées.
• Niveau de détail : utilisez text.verbosity pour contrôler la longueur de la sortie. Définissez la longueur de la réponse finale indépendamment de la qualité du raisonnement. Précisez au besoin le nombre de mots autorisé, le nombre de sections, la largeur des tableaux ou l’obligation de répondre uniquement en JSON.
• Sorties structurées : évitez de décrire le schéma de sortie attendu dans le prompt. Utilisez les sorties structurées pour bénéficier d’une validation automatique et gagner en exactitude.
• Mise en cache des prompts : la mise en cache des prompts est automatique pour les longs prompts qui remplissent les conditions requises. Elle peut réduire la latence et le coût des tokens d’entrée. Pour maximiser les accès réussis au cache, placez le contenu stable au début de la requête et le contexte dynamique propre à l’utilisateur vers la fin. Suivez usage.prompt_tokens_details.cached_tokens pour mesurer la réutilisation. Utilisez une valeur stable pour prompt_cache_key lorsque plusieurs requêtes partagent un préfixe réutilisable. Cette clé aide à diriger les requêtes apparentées vers le même cache et joue un rôle important pour optimiser le taux de succès du cache avec GPT-5.5. Pour les groupes de requêtes à fort trafic, suivez les conseils pour répartir le trafic sur davantage de clés.
• Appels d’outils : GPT-5.5 prend en charge les mêmes modes d’appel d’outils que GPT-5.4, notamment les outils de type fonction et les workflows d’agents qui sollicitent de nombreux outils. Placez l’essentiel des consignes propres à chaque outil dans sa description. Indiquez ce qu’il fait, quand l’utiliser, les entrées requises, ses effets de bord, les conditions dans lesquelles un appel peut être réessayé sans risque et les erreurs courantes. N’ajoutez ces précisions aux instructions système que si elles concernent plusieurs outils ou modifient sensiblement les règles de fonctionnement de l’agent.
• Outils hébergés et recherche d’outils : privilégiez les outils hébergés par OpenAI lorsqu’ils répondent aux besoins du workflow, par exemple la recherche web, la recherche de fichiers, l’interpréteur de code, la génération d’images et l’utilisation de l’ordinateur. Les outils hébergés réduisent le travail d’orchestration à votre charge et permettent d’utiliser les outils courants selon les conventions de l’API Responses et de l’Agents SDK. Utilisez des outils de type fonction personnalisés pour appeler vos propres systèmes, imposer des effets de bord propres à votre domaine ou donner accès à des workflows métier internes. Pour les grands catalogues, envisagez la recherche d’outils afin de différer le chargement des définitions et de ne charger que celles des outils pertinents.
• Préambules aux appels d’outils : un préambule peut améliorer l’expérience de discussion en donnant à l’utilisateur une première indication utile sur l’avancement avant que le modèle ne génère la réponse finale. Il facilite aussi le suivi des appels d’outils : le modèle peut annoncer ce qu’il va vérifier ou faire, puis reprendre à partir du même état de l’assistant lorsqu’il reçoit les résultats.
• Gestion de phase : si votre application gère manuellement l’état de l’API Responses en retransmettant les éléments de sortie à chaque tour au lieu d’utiliser previous_response_id, conservez le paramètre phase des éléments de sortie de l’assistant renvoyés par l’API et retransmettez-le tel quel. Cette précaution est particulièrement importante si vous utilisez l’effort de raisonnement, des préambules ou des appels d’outils répétés. Consultez la section Paramètre de phase.
• Compactage : pour les agents qui exécutent des tâches de longue durée, choisissez à bon escient quand utiliser le compactage de la conversation ou de l’état. Conservez les actions terminées, les hypothèses en cours, les identifiants, les résultats des outils, les blocages non résolus et le prochain objectif concret.
• Agents SDK : pour les nouveaux systèmes d’agents, appuyez-vous sur les pratiques les plus récentes de l’Agents SDK pour orchestrer les outils, tracer les opérations, passer le relais entre agents et gérer l’état, sans avoir à reconstruire toute l’orchestration.
• Date du jour : GPT-5.5 connaît la date actuelle en UTC. Vous pouvez donc l’omettre dans les instructions système. Ne précisez la date ou le fuseau horaire que si l’application a besoin d’un fuseau horaire propre à votre activité, de la date d’entrée en vigueur d’une règle, de la date locale de l’utilisateur ou d’un autre repère temporel que la date UTC.

Bonnes pratiques de rédaction des prompts

GPT-5.5 donne ses meilleurs résultats lorsque le prompt définit le résultat attendu et laisse au modèle le choix d’une démarche efficace. Par rapport aux modèles précédents, vous pouvez souvent utiliser des prompts plus courts et davantage centrés sur le résultat. Décrivez les caractéristiques d’une bonne réponse, les contraintes à respecter, les éléments de preuve disponibles et le contenu attendu de la réponse finale.

Évitez de reprendre systématiquement toutes les instructions de vos anciens prompts. Ceux-ci détaillent souvent la procédure à l’excès, car les modèles précédents avaient besoin de davantage de consignes pour rester sur la bonne voie. Avec GPT-5.5, ces précisions peuvent brouiller les instructions, limiter les pistes que le modèle explore ou rendre les réponses trop mécaniques.

Les exemples ci-dessous sont des points de départ. Adaptez-les à l’interface de votre produit, à vos outils, à vos évaluations et à l’expérience que vous souhaitez proposer aux utilisateurs.

Personnalité et comportement

Par défaut, GPT-5.5 va droit au but et se concentre sur la tâche. Ce style convient aux systèmes en production : les réponses restent ciblées, le comportement est plus facile à orienter et le modèle évite les digressions inutiles.

Pour les assistants destinés aux clients, les workflows d’assistance, les services de coaching et les autres produits conversationnels, définissez à la fois la personnalité et le style de collaboration.

• La personnalité détermine la façon dont l’assistant s’exprime : son ton, sa chaleur, sa franchise, son registre, son humour, son empathie et le soin qu’il apporte à ses formulations.
• Le style de collaboration détermine sa façon de travailler : quand poser des questions ou formuler des hypothèses, quelles initiatives prendre, combien de contexte donner, quand vérifier son travail et comment gérer l’incertitude ou les risques.

Restez bref dans les deux cas. Les consignes de personnalité façonnent l’expérience utilisateur. Les consignes de collaboration orientent la manière d’accomplir la tâche. Dans tous les cas, définissez aussi des objectifs clairs, des critères de réussite, des règles d’utilisation des outils et des conditions d’arrêt.

Exemple de consignes de personnalité pour un assistant posé et centré sur la tâche :

# Personnalité
Vous êtes un collaborateur compétent, accessible, posé et direct. Partez du principe que l’utilisateur est compétent et de bonne foi. Répondez avec patience et respect, en lui apportant une aide concrète.

Lorsque la demande est assez claire pour commencer, avancez. Appuyez-vous sur le contexte et sur des hypothèses raisonnables. Demandez une précision uniquement si l’information manquante risque de changer sensiblement la réponse ou si son absence présente un risque réel. Posez alors une question ciblée.

Soyez concis sans être brusque. Donnez à l’utilisateur assez de contexte pour qu’il comprenne la réponse et puisse s’y fier, puis arrêtez-vous. Utilisez des exemples, des comparaisons ou des analogies simples lorsqu’ils facilitent la compréhension. Si vous corrigez l’utilisateur ou si vous êtes en désaccord avec lui, soyez franc et constructif. Si l’on vous signale une erreur, reconnaissez-la clairement et corrigez-la.

Adaptez-vous au ton de l’utilisateur tout en restant professionnel. Évitez les émojis et les grossièretés par défaut, sauf si l’utilisateur demande expressément ce style ou a clairement montré qu’il convient à l’échange.

Exemple de consignes de personnalité pour un assistant expressif qui collabore avec l’utilisateur :

# Personnalité
Animez la conversation avec intelligence et curiosité. Faites preuve d’humour lorsque le contexte s’y prête et prêtez attention au raisonnement de l’utilisateur. Si le problème est flou, posez des questions pertinentes. Une fois le contexte suffisant, prenez position.

Soyez chaleureux, coopératif et soignez votre expression. Rendez l’échange fluide et vivant, sans bavardage inutile. Exprimez votre propre point de vue en tenant compte des objectifs et des contraintes de l’utilisateur, sans vous contenter de lui faire écho.

Pour une synthèse ou un conseil, prenez le temps de la réflexion et appuyez-vous sur les faits. Dès que le contexte le permet, formulez une recommandation claire. Expliquez les compromis importants et précisez ce qui reste incertain sans éluder la question.

Pour les produits au ton plus expressif, demandez explicitement à l’assistant de faire preuve de chaleur, de curiosité ou d’humour, ou d’exprimer un point de vue. Gardez ces consignes courtes. La personnalité sert à façonner l’expérience. Des objectifs imprécis ou des instructions manquantes demandent des consignes propres à la tâche.

Réduire le délai avant le premier token visible grâce à un préambule

Dans les applications qui affichent la réponse en continu, les utilisateurs remarquent le délai avant l’apparition des premiers mots. GPT-5.5 peut prendre le temps de raisonner, de planifier ou de préparer des appels d’outils avant de produire du texte visible.

Pour les tâches longues ou qui sollicitent de nombreux outils, demandez au modèle de commencer par un court préambule : un message visible qui confirme la prise en compte de la demande et annonce la première étape. L’application peut ainsi sembler plus réactive sans modifier la tâche elle-même.

Utilisez cette approche si la tâche risque de comporter plusieurs étapes, d’exiger des appels d’outils ou de mobiliser un agent sur une longue durée.

Pour une tâche en plusieurs étapes, envoyez à l’utilisateur un bref message avant tout appel d’outil. Confirmez en une ou deux phrases que vous avez pris sa demande en compte et indiquez la première étape.

Pour les agents de programmation qui distinguent plusieurs phases dans leurs messages, vous pouvez être plus explicite :

Si la tâche nécessite des appels d’outils, commencez toujours par un message d’avancement destiné à l’utilisateur avant de produire le moindre contenu dans le canal analysis. Dans ce message, confirmez que vous avez pris la demande en compte et expliquez votre première étape.

Prompts centrés sur le résultat et conditions d’arrêt

GPT-5.5 est particulièrement performant lorsque le prompt définit le résultat visé, les critères de réussite, les contraintes et le contexte disponible, puis laisse le modèle choisir sa démarche.

Pour de nombreuses tâches, il suffit de décrire le résultat à atteindre. Le modèle peut alors choisir la recherche, l’outil ou la stratégie de raisonnement qui convient à la tâche.

Privilégiez une formulation comme celle-ci :

Résolvez le problème du client de bout en bout.

Pour que la tâche soit réussie :
- déterminez l’éligibilité du client à partir des règles applicables et des données disponibles sur son compte
- menez à bien toute action autorisée avant de répondre
- incluez les champs completed_actions, customer_message et blockers dans la réponse finale
- si un élément de preuve manque, demandez uniquement la valeur du champ manquant le plus précis qui vous permette d’avancer

Évitez les règles absolues superflues. Les anciens prompts emploient souvent des termes impératifs comme ALWAYS, NEVER, must et only pour encadrer le comportement du modèle. Réservez ces termes aux exigences qui ne souffrent aucune exception, comme les règles de sécurité, les champs de sortie obligatoires ou les actions interdites en toutes circonstances. Lorsque le modèle doit exercer son jugement, par exemple pour décider s’il doit lancer une recherche, demander une précision, utiliser un outil ou poursuivre ses essais, donnez-lui des critères de décision.

Évitez le type d’instruction suivant, sauf si chaque étape est réellement indispensable :

Examinez d’abord A, puis B, puis comparez tous les champs, puis envisagez
toutes les exceptions possibles, puis choisissez l’outil à appeler, puis appelez-le,
puis expliquez toute la démarche à l’utilisateur.

Ajoutez des conditions d’arrêt explicites :

Traitez la demande de l’utilisateur en aussi peu d’allers-retours avec les outils que possible. Donnez toutefois la priorité à l’exactitude, aux autres éléments de preuve accessibles, aux calculs et aux balises de citation exigées pour les affirmations factuelles.

Après chaque résultat, demandez-vous : « Puis-je maintenant répondre à la demande principale de l’utilisateur en m’appuyant sur des éléments probants pertinents et en citant les sources de mes affirmations factuelles ? » Si oui, répondez.

Précisez la conduite à tenir lorsque les éléments de preuve manquent :

Utilisez le minimum d’éléments de preuve nécessaire pour répondre correctement, citez-les avec précision, puis arrêtez-vous.

Mise en forme

GPT-5.5 suit précisément les consignes de format et de structure. Tirez-en parti lorsque la mise en forme facilite la compréhension ou répond aux besoins du produit.

Réglez text.verbosity et décrivez la forme de la réponse attendue. Réservez les structures plus élaborées aux cas où elles facilitent la compréhension ou lorsque l’interface de votre produit exige un livrable de forme stable. Dans l’API, la valeur par défaut de text.verbosity est medium. Choisissez low si vous souhaitez des réponses plus courtes et plus concises.

Exemple de mise en forme simple pour une conversation :

Choisissez une mise en forme qui facilite la compréhension. Utilisez par défaut de simples paragraphes pour les conversations ordinaires, les explications, les rapports, la documentation et les textes techniques. Gardez une présentation claire, lisible et proportionnée au contenu.

Employez les titres, le gras, les listes à puces et les listes numérotées avec parcimonie. Utilisez-les si l’utilisateur le demande, si la réponse exige une comparaison ou un classement clair, ou si l’information serait plus difficile à repérer dans un texte continu. Dans les autres cas, privilégiez des paragraphes courts et des transitions naturelles.

Respectez les préférences de mise en forme de l’utilisateur. S’il demande une réponse très brève, une mise en forme minimale, un texte sans puces ou sans titres, ou encore une structure précise, suivez sa préférence sauf raison impérieuse de vous en écarter.

Précisez le public visé et la longueur attendue :

Adressez-vous à des cadres dirigeants. Rédigez une réponse de moins de 400 mots. Faites des paragraphes courts et utilisez des puces uniquement si elles permettent de repérer plus rapidement l’information. Commencez par la conclusion, puis exposez le raisonnement et terminez par les réserves.

Pour une révision, une réécriture, un résumé ou un message destiné aux clients, indiquez au modèle ce qu’il doit conserver avant de lui demander d’améliorer le style. Cette approche permet de soigner la rédaction sans allonger le texte.

Respectez en priorité le livrable demandé, sa longueur, sa structure et son genre. Améliorez la clarté, la fluidité et l’exactitude sans commenter vos retouches. Sauf demande explicite, n’ajoutez ni affirmation ni section et n’adoptez pas un ton plus promotionnel.

Ancrage, citations et budgets de recherche

Pour obtenir des réponses ancrées dans des sources, indiquez dans le prompt comment les citer. Précisez quelles affirmations doivent être étayées, quels éléments de preuve suffisent et comment le modèle doit réagir lorsqu’ils manquent. L’absence de preuve ne doit pas se traduire automatiquement par un « non » présenté comme un fait. Pour plus de détails et d’exemples, consultez le guide de mise en forme des citations.

Définir un budget de recherche explicite

Un budget de recherche fixe les conditions d’arrêt de la recherche. Il indique au modèle à quel moment il a recueilli suffisamment d’éléments pour répondre.

Pour une question courante, commencez par une seule recherche large avec des mots-clés courts et distinctifs. Si les premiers résultats étayent suffisamment la réponse à la demande principale et que vous pouvez les citer, répondez à partir de ces résultats sans relancer la recherche.

Ne lancez une nouvelle recherche que dans les cas suivants :
- Les premiers résultats ne répondent pas à la question principale.
- Il manque un fait, un paramètre, le nom d’un responsable, une date, un identifiant ou une source nécessaire à la réponse.
- L’utilisateur demande de couvrir le sujet de manière exhaustive, d’établir une comparaison ou de dresser une liste complète.
- Vous devez consulter un document, une URL, un e-mail, le contenu d’une réunion, un enregistrement ou un élément de code précis.
- Sans cette recherche, une affirmation factuelle importante de la réponse resterait sans fondement.

Ne relancez pas la recherche pour améliorer une formulation, ajouter des exemples, citer des détails accessoires ou étayer un passage que vous pouvez reformuler de manière plus générale sans risque.

Encadrer la rédaction créative

Pour les tâches de rédaction, indiquez au modèle quelles affirmations doivent s’appuyer sur des sources et quelles parties il peut formuler librement. Cette distinction est particulièrement importante pour les diapositives, les textes de lancement, les synthèses destinées aux clients, les trames de présentation orale, les courts messages de la direction et le choix d’un angle narratif.

Pour les demandes de création ou de rédaction, comme les diapositives, les courts messages de la direction, les textes de communication externe, les synthèses à partager, les trames de présentation orale ou le choix d’un angle narratif, distinguez les faits étayés par des sources des formulations que vous pouvez choisir librement.

- Pour toute affirmation précise concernant un produit, un client, un indicateur, une feuille de route, une date, une fonctionnalité ou la concurrence, appuyez-vous sur les faits fournis ou issus de vos recherches et citez vos sources.
- Pour rendre le texte plus convaincant, n’inventez ni noms précis, ni affirmations prétendument fondées sur des données internes, ni indicateurs, ni état d’avancement de la feuille de route, ni résultats obtenus par des clients, ni fonctionnalités du produit.
- Si vous disposez de peu ou pas de sources à citer, rédigez une version générale utile, avec des champs à compléter ou des hypothèses clairement signalées. Évitez les précisions sans fondement.

Développement frontend et qualité visuelle

Pour le développement frontend, consultez les exemples d’instructions pour savoir comment orienter concrètement la qualité de l’interface. Ils abordent le contexte du produit et de ses utilisateurs, la cohérence avec le système de design, la facilité d’utilisation dès le premier écran, les commandes familières, les états attendus et l’adaptation aux différentes tailles d’écran. Ils indiquent aussi les travers fréquents des interfaces générées : bandeaux d’accueil génériques, cartes imbriquées, dégradés décoratifs, consignes de génération visibles et mises en page défectueuses.

Demander au modèle de vérifier son travail

Lorsque les résultats peuvent être validés, donnez à GPT-5.5 accès aux outils nécessaires pour les vérifier.

Pour les agents de programmation, demandez l’exécution de commandes de validation concrètes :

Après vos modifications, effectuez les vérifications disponibles les plus pertinentes :
- des tests unitaires ciblés sur les comportements modifiés
- une vérification des types ou une analyse par un linter, selon le cas
- une vérification de la compilation des paquets concernés
- un test de fonctionnement minimal si une validation complète est trop coûteuse

Si vous ne pouvez pas exécuter la validation, expliquez pourquoi et décrivez la meilleure vérification de remplacement.

Pour les livrables visuels, demandez au modèle d’inspecter le rendu :

Générez un rendu du livrable avant de le finaliser. Examinez la mise en page, les éventuels éléments tronqués, les espacements, le contenu manquant et la cohérence visuelle. Apportez des corrections jusqu’à ce que le rendu réponde aux exigences.

Pour les tâches d’ingénierie et de planification, demandez des plans de mise en œuvre qui permettent de suivre chaque exigence :

Dans chaque plan de mise en œuvre, indiquez :
- les exigences et l’endroit du plan où chacune est traitée
- les noms des ressources, fichiers, API ou systèmes concernés
- les transitions d’état ou les flux de données, le cas échéant
- les commandes de validation ou les vérifications à effectuer
- le comportement en cas d’échec
- les points à prendre en compte en matière de confidentialité et de sécurité
- les questions en suspens qui ont une incidence réelle sur la mise en œuvre

Paramètre de phase

Depuis GPT-5.4, les workflows de longue durée ou qui sollicitent de nombreux outils dans l’API Responses peuvent utiliser les valeurs de phase des éléments de l’assistant pour distinguer les messages d’avancement des réponses finales. GPT-5.5 fonctionne de la même manière.

Si vous utilisez previous_response_id, l’API conserve automatiquement l’état antérieur de l’assistant. Si votre application retransmet manuellement les éléments de sortie de l’assistant dans la requête suivante, conservez chaque valeur d’origine de phase et retransmettez-la telle quelle. C’est particulièrement important lorsqu’une réponse contient des préambules, des appels d’outils répétés ou une réponse finale précédée de messages d’avancement de l’assistant.

Si vous retransmettez manuellement les éléments de l’assistant :
- Conservez à l’identique les valeurs de `phase` de l’assistant.
- Utilisez `phase: "commentary"` pour les messages d’avancement visibles par l’utilisateur.
- Utilisez `phase: "final_answer"` pour la réponse finale.
- N’ajoutez pas `phase` aux messages de l’utilisateur.

Structure de prompt suggérée

Utilisez cette structure comme point de départ pour les prompts complexes. Gardez chaque section courte. N’ajoutez des précisions que si elles changent le comportement du modèle.

Rôle : [En 1 à 2 phrases, définissez la fonction du modèle, son contexte et sa mission.]

# Personnalité
[Ton, attitude et style de collaboration]

# Objectif
[Résultat visible par l’utilisateur]

# Critères de réussite
[Conditions à remplir avant de donner la réponse finale]

# Contraintes
[Règles applicables, exigences de sécurité, contraintes métier, preuves requises et limites des effets de bord autorisés]

# Sortie
[Sections, longueur et ton]

# Règles d’arrêt
[Quand réessayer, utiliser une solution de repli, s’abstenir, poser une question ou s’arrêter]